计算机工程

作者：苗雨欣, 宋春花, 牛保宁, 康瑞雪

单位：太原理工大学 信息与计算机学院, 太原 030000

关键词：推荐算法,深度学习,协同过滤,图卷积网络,向量嵌入

基金：国家自然科学基金面上项目（62072326）；山西省重点研发计划项目（201903D421007）。

协同过滤是一种应用广泛的推荐算法，其核心过程是学习用户和商品的向量表示。基于图卷积网络（GCN）的协同过滤算法在向量嵌入过程中加入邻居节点的关联信息，进一步提升了算法的推荐性能。然而，图协同过滤算法中存在过平滑现象，且其仅采用邻接矩阵在局部结构中扩展，没有从图的整体结构出发挖掘节点间潜在的交互模式，使得交互信息来源单一。提出一种基于GCN的双通道协同过滤推荐算法DCCF。将向量嵌入过程划分为局部卷积通道和全局卷积通道，以获取不同类型的连接信息。在局部卷积通道中，直接定位邻域节点并使用单层网络结构完成计算，优化信息的聚合方式以应对过平滑问题。在全局卷积通道中，通过聚类的方式构造全局交互图并参与信息的聚合过程，从而挖掘节点间的潜在联系。将局部信息与全局信息相结合，以获得包含不同类型高阶关系的节点向量表示。在3个公开数据集上进行对比实验，结果表明，相较基准算法中性能表现最优的模型，DCCF在归一化折损累计增益和召回率这2个指标上最高分别提升2.8%和5.0%。

来源：2022年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第8期